基于特征判定系数的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

铁路客车车轮失圆故障声振特性研究

应用单轴滚振试验对轮辋故障报警轮对进行振动及噪声测试,测试结果能很好地反映出非圆化对轮对振动噪声的直接影响,轮对几何不圆的主阶次会以基频及其倍频呈现于测试数据中;为充分研究报警轮对在车辆维度的动力学及声辐射特性,建立了车辆-轨道耦合动力学模型及轮对声学仿真模型,并以实测车轮表面粗糙度为输入激励,结合试验和计算结果可知,动力学模型能够反映轮辋故障;在频域对比中,实测和仿真结果中低频带的30 Hz、35 Hz、52 Hz和104 Hz均有波峰对应,即来自主阶次9阶、17阶和中心波长为500 mm的车轮径向缺陷特征频率均能反映在仿真模型上;研究了跟随速度变化的动力冲击和辐射声压幅值,结果指出当前故障轮对的噪声超限。

双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究

针对旋转机械运行过程中伴随着诸多噪声,现有单通道网络在旋转机械故障诊断过程中抗噪性较差的问题,提出了一种加入并联机制的双通道输入Let Net-5卷积神经网络模型。模型合理性检验过程采用了凯斯西储大学轴承数据集,在此基础上,添加信噪比为–10 d B的高斯白噪声模拟真实噪声情形;采用短时傅里叶变换将电机风扇端和驱动端振动数据进行处理,获得的时频图像传递至双通道输入的Let Net-5卷积神经网络进行训练学习。研究结果表明:双通道输入Let Net-5卷积神经网络模型能够良好捕捉到强噪声环境下的故障特征;相比于多尺度特征融合残差模型、多模态耦合输入神经网络模型、传统的K近邻与决策树模型及单通道输入Let Net-5卷积神经网络模型,双通道输入Let Net-5卷积神经网络具有更高的效率和精度。

印刷装备振动噪声特性研究综述

目的综述印刷装备振动噪声特性及其在故障诊断方面的研究进展。方法通过文献调研,了解当前学术界对印刷装备振动噪声特性的认知情况,包括印刷企业噪声危害、印刷装备结构振动特性、印刷机噪声辐射,以及基于结构振动及噪声辐射的印刷装备故障诊断等方面的研究现状,并展望其发展前景。结果目前对印刷装备的结构及声辐射特性的研究还处于初级阶段,尚未系统地对印刷设备的声振特性进行分析,针对印刷设备的降噪技术尚未起步。探讨印刷装备声振特性的研究进展将有助于研究者更好地了解及开展印刷装备降噪技术,以及推进印刷装备故障诊断技术研究的发展。结论针对印刷机结构声振机理的研究和分析具有较高的学术意义和应用价值,该项研究会成为印刷装备降噪技术及故障诊断技术的基础。

基于CEEMDAN–MPE算法的地铁短波长钢轨波磨识别

针对地铁钢轨波磨检测效率低、准确率低等问题,提出一种基于自适应噪声完备集合经验模态分解–多尺度排列熵的地铁短波长钢轨波磨识别方法。首先采用自适应噪声完备集合经验模态分解(CEEMDAN)方法将轴箱振动加速度信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF);引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,计算各IMF的相关系数,然后将随机程度较大或信噪比较低的分量剔除,计算剩余IMF的能量值及总能量值,通过设定阈值判断是否存在钢轨波磨,最后对能量值超过阈值的分量进行小波包时频分析,提取振动中心频率确定钢轨波磨波长。结果表明:(1)基于CEEMDAN–MPE算法可通过轴箱振动加速度准确识别短波长钢轨波磨及发生区域;(2)该方法在识别短波长波磨的准确性上优于EEMD能量值和小波包能量熵方法,并且能够较为准确地提取短波长波磨不平顺导致的振动响应,便于针对波磨的波深做进一步分析。

基于降噪-残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪-残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。

1000 MW汽轮机组高频声振故障诊断及治理

针对某型超超临界1000MW机组在运行过程中出现的噪声大、瓦振大的声振故障进行诊断和治理。首先在分析机组高频振动的基础上对机组的振动和噪声进行测试分析,发现振动变化量以高频分量为主,并伴随高频的机械噪声,通过对进汽阀组的封装式弹簧支座振动进行进一步测试,发现进汽阀门弹簧支座的共振频率和振动、噪声的主频分量频率接近,得出故障为汽流失稳或摩擦所诱发的自激振荡,并诱发强烈机械噪声所致;然后对几例该型故障的共振频率进行分析,发现当封装式弹簧支座的固有频率下降至310Hz时,弹簧存在劣化甚至断裂的风险,在运行和检修中应予特别注意;最后,给出对1000MW机组封装式弹簧组的评估及故障治理方法及流程图。

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明:采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。

基于优化小波阈值的轴承振动信号降噪算法

滚动轴承振动信号能够及时准确地提供机电设备状态特征信息,且可实现在线或离线监测,广泛用于滚动轴承故障诊断。由于滚动轴承工作环境复杂多变,往往掺杂较多噪声,噪声会淹没机电设备状态的有用特征信息。针对传统小波阈值函数对轴承信号降噪不明显的问题,提出了一种用于轴承振动信号降噪的差分进化优化小波软阈值算法,对含噪信号进行小波分解,利用广义交叉验证GCV函数作为新的阈值函数对分解后的小波系数进行处理,结合差分进化算法进行寻优获取最优阈值。实验采用美国凯斯西储大学的轴承数据进行仿真分析,通过与常用降噪方法相比,该方法在较好地保留特征信号的前提下,较大程度地去除了噪声,有效地提高了降噪效果。

改进EEMD在旋转机械振动故障诊断中的应用研究

针对旋转机械在摩擦碰撞干扰下,提取的机械振动信号存在很大的噪音,提出基于集合经验模式模态分解(Ensemble Empirical Mode Decomposition,EEMD)的故障诊断方法来消除噪音。仿真结果表明,与传统方法相比,新降噪方法减少了工作量,提高了效率。

建筑暖通空调设计中噪声与振动通病的防治研究

近年来,我国城市化建设进程不断加快,对建筑工程项目设计的要求越来越严格,建筑暖通空调设计是工程设计中重要的部分,合理的暖通空调设计中,噪声和振动通病的防治非常重要,直接影响暖通空调系统的运行效果和居民的生活质量。基于此,本文分析建筑暖通空调设计中噪声与振动通病的原因,提出防治措施,旨在为合理进行暖通工程噪声和振动通病的防治提供助力。

基于双树复小波包的发动机振动信号特征提取研究

针对柴油机缸盖振动信号的特征提取问题,提出了一种基于双树复小波包变换和自适应块阈值降噪的标准化相对能量提取方法,双树复小波包利用并行双树实小波变换分解系数达到信息互补,从而获得近似平移不变性和减少了信息的丢失。自适应分块阈值能够随所分析的信号自适应估计最优阈值,达到更好的降噪效果,同时引入消除频率混叠的算法,抑制了双树复小波包分解过程中虚假频率的产生。仿真信号和试验分析该方法能够更有效地消除噪声影响,所提取的相对能量特征具有更好的可区分度。

一种改进的转子振动信号消噪方法研究

为提高转子振动信号消噪方法的性能,通过分析噪声成分和对应消噪方法的特点,提出了一种基于改进中值滤波与小波包消噪技术相结合的信号降噪新方法。该方法首先根据信号采样频率计算中值滤波器的窗口宽度,从而可以有效滤除含噪信号中的脉冲噪声和部分白噪声;然后再用阈值及其处理函数都经过改进的自适应小波包消噪方法去除残留在信号中的白噪声,最终得到信噪比提高的振动信号。通过仿真信号和转子实验振动信号的降噪处理,对新方法的性能进行了验证。降噪结果表明,该方法在有效消除混合复杂噪声对振动信号干扰的同时,保留了故障信号的细节特征,比一般的小波域中值滤波降噪方法更为有效。

某型船用传动齿轮箱振动模态的试验与分析

某多输入双级传动齿轮箱是舰船振动与噪声的主要根源之一。文中在建立齿轮箱的试验模型后,采用固定锤击点改变测量点法采集各点的冲击数据和响应数据,在对同类型两部齿轮箱的模态试验的结果分析的基础上,通过对比找到了其中一部齿轮箱振动噪声增大的原因,经过对该齿轮箱的开箱测检结果表明,其分析结论是正确的。对该型舰船齿轮箱的故障诊断、提高其可靠性和维修性,具有重要的指导意义。

小波降噪技术在柴油机故障诊断中的应用

在柴油机的故障诊断中 ,对其振动信号的分析是柴油机故障诊断的重要手段 ,但是由于噪声的干扰而使诊断的精度大打折扣 ,而传统的傅里叶低通滤波降噪方法对于柴油机这样的非平稳复杂振动信号不能起到好的降噪作用。本文采用小波降噪技术 ,将柴油机缸盖振动信号进行小波多尺度分解 ,然后分别进行阈值处理 ,最后进行小波重构 ,剔除柴油机的噪声信号 ,提高信号的信噪比 。

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS(Least Median of Squares)自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层"细节"分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题。对比试验信号的分析验证方法的有效性,将该法应用在柴油机振动诊断中提高故障识别率。

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。

提升小波包最优基分解算法及在振动信号降噪中的应用

提升小波包最优基分解,是影响提升小波包应用效果和效率的关键。提出了一种先序分解后序搜索的提升小波包最优基分解算法,该算法提升小波包先序分解和最优基后序搜索同时进行,只保留当前发现最好基下的分解系数,及时释放冗余存储空间,具有更高的空间效率,更适于信号在线处理。对算法进行了描述,并与自上而下完全分解、自下而上搜索算法进行了比较。将其应用于发动机缸盖振动信号降噪,取得了满意的效果。

变速箱噪声的频谱分析与故障诊断

应用振动、噪声信号频谱分析和相干函数分析技术，从理论上说明变速箱故障诊断的依据。检测了一台噪声严重超标的实际变速箱系统，得到其三向振动和噪声信号。综合分析了实测信号及其计算机数据处理结果，从而得出检测对象出现强烈噪声的主要原因在于其中一对啮合轮发生“嗑碰”

奇异谱分析在机械设备故障诊断中的应用

在重构相空间重构吸引子的基础上,提出一种基于奇异谱分析的设备故障诊断方法。基于奇异谱理论介绍了该方法的基本原理,并给出该方法的实现步骤。实验研究表明,该方法可以显著降低噪声信号,有效地提高信噪比,并且能保留与噪声信号的频谱相混叠的系统信号,突出故障的信息特征,可大大提高设备故障诊断的准确性,它同时还具有良好的瞬态信息提取能力。